3740 articoli
Il paper presenta FusionRegister, un metodo generale di registrazione guidato da prior visivi che migliora l'efficienza e la robustezza della fusione tra immagini infrarosse e visive rappresentando direttamente le disallineazioni senza richiedere pre-registrazioni estese.
Il paper presenta UniUncer, un framework unificato e leggero che stima e integra congiuntamente l'incertezza statica e dinamica all'interno di sistemi di guida end-to-end, migliorando significativamente l'affidabilità e le prestazioni di pianificazione su scenari complessi.
Il paper introduce FrameVGGT, un framework di memoria esplicita a rotazione basato su frame che risolve il problema della crescita illimitata della cache nei trasformatori geometrici in streaming, garantendo una percezione 3D stabile e un compromesso ottimale tra accuratezza e memoria limitata.
Il paper presenta RoboPCA, un framework di apprendimento delle affordance centrato sulla posa che, sfruttando la pipeline Human2Afford per generare annotazioni da dimostrazioni umane, predice congiuntamente regioni di contatto e pose per la manipolazione robotica, superando le limitazioni dei metodi esistenti e dimostrando elevate prestazioni su dati reali e simulati.
Il paper propone CDA-VSR, una rete per la super-risoluzione video online che sfrutta informazioni del dominio compresso (vettori di movimento, mappe residue e tipi di frame) per bilanciare qualità ed efficienza, ottenendo su REDS4 una velocità di inferenza più che doppia rispetto allo stato dell'arte con un lieve miglioramento della qualità.
Il paper presenta il Masked Motion Diffusion Model (MMDM), un framework generativo basato su diffusione che, grazie al meccanismo di aggregazione dell'attenzione cinematica (KAA), apprende priors di movimento adattivi al contesto per ricostruire, completare e raffinare dati di movimento 3D incompleti o rumorosi in modo efficiente.
Il paper introduce TDM-R1, un nuovo paradigma di apprendimento per rinforzo che, disaccoppiando l'apprendimento della ricompensa da quello del generatore e gestendo segnali non differenziabili, migliora significativamente le prestazioni dei modelli generativi a pochi passi come TDM e Z-Image.
Il paper introduce PARSE, un framework che modella le relazioni spaziali a livello di parti degli oggetti tramite un grafo di assemblaggio e un risolutore di vincoli geometrici, permettendo la creazione del dataset PARSE-10K e migliorando significativamente il ragionamento spaziale e la generazione di scene 3D fisicamente coerenti.
Il paper introduce 3ViewSense, un nuovo framework che colma il divario di intelligenza spaziale nei modelli visione-linguaggio permettendo loro di costruire rappresentazioni mentali 3D coerenti da viste ortografiche attraverso un meccanismo di "simulazione e ragionamento" ispirato alla cognizione ingegneristica.
Il paper presenta AR2-4FV, un sistema innovativo per il grounding a lungo termine in video a vista fissa che utilizza una "Banca di Ancoraggi" basata sullo sfondo statico e un meccanismo di gating ReID per mantenere la coerenza dell'identità e migliorare significativamente il tasso di ri-cattura e ridurre la latenza quando l'oggetto target è assente o occluso.
Il paper presenta DECADE, un modello di diffusione non supervisionato e temporalmente coerente che migliora il denoising delle immagini PET cardiache dinamiche con Rb-82, preservando l'accuratezza quantitativa e la qualità delle immagini senza richiedere dati di addestramento accoppiati.
Il paper presenta MedQ-Deg, un benchmark multidimensionale che valuta la robustezza e l'affidabilità dei modelli linguistici multimodali medici di fronte a degradazioni della qualità delle immagini, rivelando che le prestazioni peggiorano sistematicamente con l'aumentare della gravità dei difetti e che i modelli soffrono di un "effetto Dunning-Kruger" mantenendo una fiducia eccessiva nonostante il crollo dell'accuratezza.
Il documento presenta GK-FedDKD, un approccio federato che integra la distillazione della conoscenza duale e la conoscenza geometrica globale per superare le sfide dell'eterogeneità dei dati nell'analisi delle immagini satellitari di telerilevamento, ottenendo prestazioni superiori rispetto agli stati dell'arte.
Questo paper propone un metodo di trasferimento dello stile che rappresenta le immagini nel dominio delle pennellate anziché in quello dei pixel RGB, ottenendo risultati visivamente più naturali e fedeli all'arte reale.
Il paper presenta OrdinalBench, un benchmark diagnostico con 39.000 coppie domanda-risposta e un toolkit di valutazione che rivela come i modelli Vision-Language, nonostante le buone prestazioni generali, mostrino gravi limiti nella generalizzazione del ragionamento sequenziale per l'identificazione di oggetti basata su numeri ordinali elevati e percorsi complessi.
Il paper propone SGI, un framework compatto ed efficiente che rappresenta immagini ad alta risoluzione decomponendole in spazi locali multi-scala definiti da semi che generano gaussiane neurali strutturate, permettendo una compressione fino a 7,5 volte superiore e una convergenza più rapida rispetto ai metodi precedenti senza compromettere la fedeltà dell'immagine.
Il paper presenta 4DRC-OCC, il primo studio che fonde dati radar 4D e telecamere per una previsione robusta dell'occupazione semantica 3D, introducendo inoltre un dataset etichettato automaticamente per ridurre la dipendenza dall'annotazione manuale.
Il paper presenta MWM, un modello del mondo mobile che migliora la coerenza delle previsioni condizionate all'azione e l'efficienza dell'inferenza tramite un framework di addestramento in due fasi e una distillazione consistente con l'inferenza, ottenendo risultati superiori nella navigazione basata su pianificazione.
Il paper introduce HybridStitch, un nuovo paradigma per la generazione Text-to-Image che accelera i modelli di diffusione combinando un modello piccolo per la bozza iniziale e un modello grande per il raffinamento selettivo delle regioni complesse, ottenendo un speedup di 1,83 volte su Stable Diffusion 3.
Questo studio descrive l'impiego di trappole fotografiche a basso costo e modelli di visione fondazionale nella riserva naturale di Pu'u Maka'ala alle Hawaii per monitorare la fenologia vegetale e le interazioni flora-fauna a livello individuale, rivelando tendenze temporali fini che i metodi tradizionali non riescono a cogliere.